เปรียบเทียบวิธี

	วิชันแมมบ้า	วิชันทรานส์ฟอร์มเมอร์
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2024	2021
ผู้ริเริ่ม	Li Zhu	Dosovitskiy, A. et al.
ประเภท	Neural network architecture	Transformer architecture for images (self-attention over patches)
แหล่งต้นตำรับ	Zhu, L., Liao, B., Zhang, Q., Wang, X., Liu, W., & Wang, X. (2024). Vision Mamba: Efficient state space models for image understanding. In International Conference on Machine Learning.	Dosovitskiy, A. et al. (2021). An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale. ICLR.
ชื่อเรียกอื่น	ViM, Mamba for Vision	Görsel Transformer (ViT), görsel transformer, ViT, patch transformer for images
ที่เกี่ยวข้อง	4	5
สรุป	Vision Mamba is an efficient state space model approach for image understanding introduced in 2024 that adapts Mamba, a linear-complexity sequence model, to computer vision. By reformulating image tokens as sequences and using state space models, Vision Mamba achieves competitive accuracy with transformers while maintaining linear computational complexity.	The Vision Transformer (ViT), introduced by Dosovitskiy and colleagues in 2021, splits an image into fixed-size patches, treats those patches as a sequence, and applies the Transformer self-attention mechanism to image classification. Given enough training data, it surpasses convolutional neural networks (CNNs).